一种基于数据驱动递归AdaBoost的三相不平衡配电系统拓扑重构方法研究

蔡木良; 范瑞祥; 王皓天; 崔明建; 李赢正; 程宏波

doi:10.20204/j.sp.2025.04005

欢迎来到能源电力期刊网！

English Version 读者登录期刊登录

您当前的位置：

首页 >

文章列表页 >

一种基于数据驱动递归AdaBoost的三相不平衡配电系统拓扑重构方法研究

智能电网与新型电力系统控制技术 | 更新时间：2025-10-22

- 一种基于数据驱动递归AdaBoost的三相不平衡配电系统拓扑重构方法研究
- A Data-driven Recursive AdaBoost-Based Topology Reconfiguration Method forThree-phase Unbalanced Distribution Systems
- 智慧电力 2025年53卷第4期页码：38-44
- 作者机构：
  
  1. 国网江西省电力有限公司电力科学研究院,江西,南昌,330096
  2. 国网江西省电力有限公司赣州供电分公司,江西,赣州,342700
  3. 天津大学电气自动化与信息工程学院,天津,300072
  4. 华东交通大学电气与自动化工程学院,江西,南昌,330013
- 作者简介：
- 基金信息：
  
  国家自然科学基金资助项目（52207130）;江西省重点研发计划项目（20223BBE51013）
- DOI：10.20204/j.sp.2025.04005
  中图分类号：
- 纸质出版：2025
- 稿件说明：
移动端阅览
蔡木良,范瑞祥,王皓天,崔明建,李赢正,程宏波.一种基于数据驱动递归AdaBoost的三相不平衡配电系统拓扑重构方法研究[J].智慧电力,2025,53(4):38-44.

doi:10.20204/j.sp.2025.04005
蔡木良,范瑞祥,王皓天,崔明建,李赢正,程宏波.一种基于数据驱动递归AdaBoost的三相不平衡配电系统拓扑重构方法研究[J].智慧电力,2025,53(4):38-44. DOI： 10.20204/j.sp.2025.04005.

doi:10.20204/j.sp.2025.04005 DOI：

摘要

拓扑结构的有效重构可以显著提高电网的弹性和可靠性，然而，现有的系统拓扑重构模型计算能力仍不足以求解大量变量。为此，提出了一种基于机器学习的递归自适应增强（ AdaBoost）方法，用以增强不平衡配电系统的拓扑重构。首先，准备标签作为所提递归AdaBoost方法的输出，使用经典的跨越树搜索算法进行拓扑重构。其次，收集递归AdaBoost的输入进行训练，通过应对非高斯噪声来部署配电系统状态估计（ DSSE）模型的迭代过程，并通过非线性最小二乘法（ NLS）对DSSE进行求解。最后，通过所提递归AdaBoost方法计算出最大后验概率，说明了最优拓扑重构策略。以改进IEEE 123节点配电系统作为算例对所提方法的有效性进行了验证。

Abstract

Effective topology reconfiguration can significantly enhance the resilience and reliability of power grids. However，existing topology reconfiguration models still lack sufficient computational capability to handle large-scale variables. To address this，this study proposes a machine learning-based recursive adaptive boosting （AdaBoost） method to improve the topology reconfiguration in unbalanced distribution systems. Firstly，training labels are prepared as outputs for the proposed recursive AdaBoost method，and a classical spanning tree search algorithm is employed for the topology reconfiguration. Secondly，inputs for the recursive AdaBoost are collected and trained by deploying an iterative process of the distribution system state estimation （DSSE） model to address non-Gaussian noise，where DSSE is solved via nonlinear least squares （NLS）. Finally，the optimal topology reconfiguration strategy is determined by calculating the maximum posterior probability using the proposed recursive AdaBoost method. The effectiveness of the proposed method is validated through case studies on a modified IEEE 123-node distribution system.

关键词

Keywords

references

GRIFFIN P A. Energy ﬁnance must account for extreme weather risk[J]. Nature Energy，2020，5（2）：98-100.

徐雪松，唐加乐，曾子洋，等. 极端自然灾害下我国城市电力系统韧性提升框架与发展策略研究[J]. 中国工程科学，2024，26（2）：198-209.

朱峰辰，翁嘉明，刘东，等. 网格化配电网的控制设备即插即用关键技术探讨[J]. 供用电，2024，41（5）：18-27.

蔡田田，姚浩，杨英杰，等. 基于云-边协同的配电网快速供电恢复智能决策方法[J]. 电力系统保护与控制，2023，51 （19）：94-103.

黎燕，程馨，黄祖梁，等. 高可靠性三相多功能并网变换器研究[J]. 中国电力，2023，56 （5）：172-181.

梁栋，郭育威，王笑雪，等. 考虑储能与动态重构的柔性互联配电系统两阶段鲁棒优化[J]. 电力建设，2022，43（9）：94-103.

陈钢，黄国政，邓瑞麒，等. 结合网络重构的主动配电网日前无功电压双层优化[J]. 供用电，2022，39（5）：13-24.

刘迪，张强，吕干云. 量子粒子群算法在配电网重构中的改进和应用[J]. 电测与仪表，2022，59（3）：58-65.

KHUSHALANI S，SOLANKI J M，SCHULZ N N. Optimized restoration of unbalanced distribution system[J]. IEEE Transactions on Power Systems，2007，22（2）：624-630.

程杉，钟仕凌，尚冬冬，等. 考虑电动汽车时空负荷分布特性的主动配电网动态重构[J]. 电力系统保护与控制，2022，50（17）：1-13.

李明轩，魏韡，许寅，等. 基于预演算法的灾后配电网应急抢修决策优化[J]. 电力建设，2023，44（12）：85-94.

SINGH R，MANITSAS E，PAL B C，et al. A recursive Bayesian approach for identiﬁcation of network conﬁguration changes in distribution system state estimation[J]. IEEE Transactions on Power Systems，2010，25（3）：1329-1336.

YAO S H，GU J X，WANG P，et al. Resilient load restoration in microgrids considering mobile energy storage ﬂeets：A deep reinforcement learning approach[C]. 2020 IEEE Power & Energy Society General Meeting （PESGM）. Ieee，2020：1-5.

李浩，张禄亮，麦章渠，等. 基于改进离散型麻雀搜索算法的配电网恢复重构方法[J]. 智慧电力，2023，51（7）：16-22，30.

KANKANALA P，DAS S，PAHWA A. AdaBoost+：An ensemble learning approach for estimating weather-related outages in distribution systems[J].IEEE Transactions on Power Systems，2013，29（1）：359-367.

CREMER J L，KONSTANTELOS I，TINDEMANS S H，et al. Datadriven power system operation：Exploring the balance between cost and risk[J]. IEEE Transactions on Power Systems，2018，34（1）：791-801.

MARTIN-DIAZ I，MORINIGO-SOTELO D，DUQUE-PEREZ O，et al. Early fault detection in induction motors using AdaBoost with imbalanced small data and optimized sampling[J].IEEE Transactions on Industry Applications，2016，53（3）：3066-3075.

REDDY M V，SODHI R. A rule-based S-transform and AdaBoost based approach for power quality assessment[J]. Electric Power System Research，2016，134：66-79.

THIRUGNANASAMBANDAM V，JAIN T. AdaBoost classiﬁers for phasor measurements-based security assessment of power systems[J]. IET Generation，Transmission & Distribution，2017，12（8）：1747-1755.

LI J，MA X Y，LIU C C，et al. Distribution system restoration with microgrids using spanning tree search[J]. IEEE Transactions on Power Systems，2014，29（6）：3021-3029.

MUSCAS C，SULIS S，ANGIONI A，et al. Impact of different uncertainty sources on a three-phase state estimator for distribution networks[J]. IEEE Transactions on Instrumentation and Measurement，2014，63（9）：2200-2209.

VON J A，BANERJEE B. Assessment of voltage unbalance[J]. IEEE Transactions on Power Delivery，2001，16（4）：782-790.

CUI M J，WANG J H. Deeply hidden moving-target-defense for cybersecure unbalanced distribution systems considering voltage stability[J]. IEEE Transactions on Power Systems，2020，36（3）：1961-1972.

FUKUNAGA K，MANTOCK J. Nonparametric discriminant analysis[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，1983 （6）：671-678.

DIAO R，VITTAL V，LOGIC N.Design of a real-time security assessment tool for situational awareness enhancement in modern power systems[J]. IEEE Transactions on Power Systems，2009，25（2）：957-965.

FAYED H A，ATIYA A F. A novel template reduction approach for the k-nearest neighbor method[J]. IEEE Transactions on Neural Networks，2009，20（5）：890-896.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

光伏并网发电对配电网电压分布的影响

基于优化模型的配电系统状态估计方法

考虑负荷特性的配电网无功优化

采用FJPD互信息的电力系统暂态稳定性预测特征选择分析

考虑多类故障假说变量的配电系统故障诊断方法研究